製造業的目視檢驗：四種方法、三道極限，以及攝影機還看不到的地方

❓製造業的目視檢驗是什麼？

製造業的目視檢驗（Visual Inspection）是用眼睛，或借助光學與攝影設備，檢查零件、組件或作業本身有沒有缺陷。工廠的做法大致分成四種：工站上的人工目檢、遠端目視檢測、AOI 與機器視覺，以及針對組裝動作本身訓練的 AI 視覺。

在一條人工組裝線上，有兩個數字劃出了目視檢驗做得到的範圍。

第一個是 660，EMS 產線上一位作業員一個白班大約經手的零件數。這位作業員身邊，是幾十條產線、幾百位同事、幾千個作業步驟，以及寥寥幾位要照顧這一切的工業工程師。

第二個是 不到 2 秒。一個每小時放行 220 台的線尾檢驗站，每台大約分到 16 秒，而這 16 秒要包含拿起來、翻面、記錄結果、放下去。所以如果你的允收標準列了八個項目，每一項真正用眼睛看的時間不到 2 秒。

這就是注意力的預算。下面談的每一件事，都得塞進這個預算裡。

 

美國桑迪亞國家實驗室（Sandia National Laboratories）讓 82 位檢驗員檢查 140 個零件、八種缺陷類型。結果他們 正確剔除了 85% 的不良品，卻也誤判剔除了 35% 的良品，而研究指出，這樣的命中率「並沒有比 80% 的產業平均高出多少」。(See, Human Factors, 2015)

📖 本文將帶你看：

• 四種目視檢驗方法，依實際抓得到什麼排出名次
• 每套檢驗制度都會撞上的三道牆：抽樣、延遲、主觀
• 涵蓋範圍、延遲、證據與成本，一張表比較
• 某全球前五大 EMS 在東南亞的 15 個工站，改變了什麼

目視檢驗在製造業指的是什麼，工廠又是怎麼安排這四種做法的

凡是靠「看起來怎麼樣」來下判斷的檢查，都算目視檢驗：一個表面、一個擺放位置、一個顏色、一道間隙、一串動作的順序。看的那隻眼睛，可以是人，可以是跑固定規則的攝影機，也可以是跑訓練模型的攝影機。

下面四種方法只用一個問題排名：在產生缺陷的那些作業裡，這個方法看得到多少？成本與成熟度的排序幾乎剛好相反，這也是為什麼四種到今天都還在用。

工站上的人工目檢

在工作台上，作業員或專職檢驗員拿產品對照書面標準，有時借助放大鏡或量具。在台灣、中國與東南亞的多數工廠，它仍是人工組裝的主要檢查手段，而原因不只是便宜。四種方法裡，只有經驗老到的檢驗員抓得到一個沒人寫下來的缺陷。模型只找得到它學過的東西，規則只找得到它被設定的東西。一位在這條線上待了六年的人，拿起一個機殼，翻過來，放到一邊，事後才想明白是哪裡不對勁。

但它撐不住的，是整個班次的專注。桑迪亞的數字，來自在受控任務、有人觀察下作業的檢驗員，而不是夜班第七個小時的檢驗員。

判定：第三。 四種裡判斷範圍最寬的一種，卻只套在最窄的一段時間上。

遠端目視檢測

遠端目視檢測（Remote Visual Inspection, RVI）把光學設備送到人進不去的地方：伸進焊接組件裡的內視鏡（borescope）、壓力容器裡的爬行攝影機，或是把一個工站的畫面串流給別處的審查人員。在 EMS 產業，最後一種最常見，例如台北的工程師看檳城的產線。它解決的是進入與距離的問題，卻沒有改變方法本身，因為看的仍然是人。眼睛換了位置，預算還是原來那一份。

判定：生產缺陷排第四，人到不了的地方排第一。 評估它看的是可及性，不是涵蓋範圍。

AOI 與機器視覺

自動光學檢測（Automated Optical Inspection, AOI）與機器視覺，把攝影機固定在一個位置，配上受控的打光與明確的觸發條件。產品一進畫面，系統就拿它和標準影像或公差比對，輸送帶還沒往前走，螢幕上的判定已經從 OK 翻成 NG，不到 1 秒。在表面黏著技術（Surface Mount Technology, SMT）產線上，板子能以現在的量出貨，靠的就是 AOI。它每一片都檢，不會累，也不會在星期五跟自己意見不合。

不過，它的邊界就在它的位置：AOI 判斷的是已經存在的產品，而且只看有人事先定義的特徵。相鄰兩個焊墊之間的錫橋（solder bridge），抓得到。電容從它的焊墊位置上缺件，抓得到。兩站之前的作業員，在機殼蓋上之前有沒有擦過接觸面：抓不到，它也從來沒被要求去看。

判定：第二。 對成品看得完整，對成品怎麼變成這樣一無所知。

看作業本身的 AI 視覺

第四種方法把攝影機對準作業，而不是工件。模型學的是動作：拿起的是哪一把工具、第 4 步有沒有在第 5 步之前、第二個人有沒有把自己那半段做完。

差別在觸發條件。AOI 要等產品進來，動作辨識則全時段在跑，所以連空檔也記得下來：離崗時段、補料干擾、在製品（Work in Progress, WIP）在工站之間堆積。

PowerArena HOP 人因作業平台（Human Operation Platform）就在這一層運作，其中的 Digital Station 模組全時段記錄每一個工站，並把影像對應到序號與工單。不過也要講清楚它不做什麼：它不量焊點、不判尺寸、不評表面處理。它和 AOI 是不同的產品，在多數產線上，兩者是並行運作的。

判定：以這份排名的標準來看，第一。 四種裡，只有它站在缺陷發生之前。

不管原本設計來抓什麼，每套目視檢驗制度都會撞上的三道牆

不論你怎麼搭配這四種方法，都會遇到同樣三道牆。它們是檢驗這件事本身的性質。

抽樣

統計抽樣對自己很誠實。ISO 2859-1 依允收品質水準（Acceptance Quality Limit, AQL）提供抽樣方案：你選定一個方案，同時接受一個已知的機率，會讓一批不良品通過。(ISO 2859-1) 比較不明顯的是：100% 全檢其實也是抽樣。每一台只被看一次、幾秒鐘、一兩個角度。你在空間上抽了每一台，在時間上幾乎一點都沒抽到。

延遲

延遲，是從造成缺陷的那個動作，到有人知道這件事之間的距離。在現場，最實際的算法是用台數，不是用分鐘。產品還在作業員手上時就發現，你損失一台。到線尾才發現，損失的是中間做出來的每一台，而在一條每小時 220 台的產線上，這不是小數目。以客訴的形式發現，損失的是已經出貨的那些，再加上為它們吵的那一架。也許那批貨還在倉庫，也許已經是很久以後的事。

主觀

兩位檢驗員，同一台產品，兩種判定。在邊界缺陷上最明顯，這也是為什麼桑迪亞的檢驗員抓到 85% 不良品的同時，也報廢了 35% 的良品。把標準收緊，只是移動這個取捨，並沒有消除它：你用報廢更多良品，換回漏掉的不良。

四種方法的比較：各自被設計來看什麼

 

方法	涵蓋範圍	延遲	產出的證據	成本結構
人工目檢	每一台，每台幾秒，只看成品狀態	幾分鐘到幾小時	OK 或 NG，加一筆備註	設備投資低，人力持續支出
遠端目視檢測	鏡頭對準的地方，有人在看的時候	幾分鐘到幾天	影像，前提是找得到	設備加上審查人力
AOI 與機器視覺	每一台，每一個定義好的特徵	不到 1 秒，線上即判	OK 或 NG、量測值、缺陷分布圖	設備投資高，運轉成本低
看作業的 AI 視覺	每個工站、每個班次，包含空檔	幾秒內，在工站上	帶時間的步驟紀錄，對應到序號	攝影機加平台，以工站計

 

賣的時候講的是涵蓋範圍。決定這個發現對你還有沒有用的，是延遲。

檢查產品，只能告訴你缺陷存在，說不出是哪一步做出來的

人工目檢最常被點名的極限是疲勞，這沒有錯：注意力會隨著班次下降，看第 500 台的人，已經不是看第 12 台的那個人。

不過，這個想法很少被想完。回到組裝工站，同一個班次、同一個小時、同樣的重複動作，也作用在正在組裝的作業員身上，就是經手 660 個零件的那一位。如果疲勞會讓檢驗員漏掉缺陷，它也會讓組裝的人做出缺陷，而沒有任何東西對準第二件事。

所以你的產線留下來的紀錄，長得是這個樣子：有一個缺陷，大約在這個時間被發現，至於做出它的那 4 秒，什麼都沒有。多數根因會議接下來就靠記憶討論，報告上寫著「人為疏失」，這是一個分類，不是一個原因。

檢驗不是品質系統。它是擺在品質系統前面的一道濾網，而濾網只告訴你它攔下了什麼。

案例：某全球前五大 EMS 在東南亞的 15 個工站

一家全球前五大 EMS 製造商，在東南亞廠區用一條 15 個工站、勞力密集的產線生產再生能源電源設備。他們的檢驗沒有出問題：缺陷有被抓到，工廠也守得住對客戶的承諾。問題在更上游。為了弄清楚產能為什麼卡在那裡，工業工程師拿著碼錶站在工站旁，一次時間研究要花大約 48 小時的工程人力，換到每個月大約 15 分鐘可用的組裝週期數據。那個月的每一個改善決策，都建立在這 15 分鐘上。

HOP 裝上全部 15 個工站，全時段記錄。幾週之內，原因不再靠推測，而是被一一點名：離崗時段、補料干擾、WIP 在流程中特定位置堆積。工程師早上提出一個調整，同一個班次就看得到效果，不必再排兩天的現場觀察。

 

指標	結果
產線產出	每小時 211 台提升到 222 台
UPH（Units Per Hour，每小時產出）提升，4 週內	0.052
產能障礙	減少 70%
投資報酬率	超過 5 倍

怎麼選：依你想抓的東西，五條規則

• 如果你的缺陷是外觀、尺寸或電性問題，而產品穩定、量大，就買 AOI 或機器視覺。對準作業員的 AI 取代不了它。
• 如果你要看的表面在一個封閉的設備裡面，用遠端目視檢測，評估的是光學與可及性，不是分析功能。
• 如果你的不良紀錄一直出現「原因不明」或「人為疏失」，缺少的證據在組裝步驟上。再加一位檢驗員也生不出來。
• 如果漏掉一個人工步驟，就會造成下游良率損失或客戶端失效，延遲比涵蓋範圍重要。檢查必須在工站上、在幾秒內完成，趁產品還在作業員面前。
• 如果你拿不出任何一個序號的組裝紀錄，先把追溯補起來，再去買更多偵測。沒有紀錄的偵測，只是把爭論延到下一場會議。

常見問題

製造業的目視檢驗是什麼？

用眼睛，或借助光學、攝影機與軟體，檢查零件、組件或作業有沒有缺陷。範圍包括表面狀況、零件有無與擺放、看得到的尺寸，也越來越常包括組裝動作本身。

目視檢驗有哪幾種？

工站上的人工目檢、遠端目視檢測、AOI 與機器視覺，以及針對作業而不是產品訓練的 AI 視覺。多數工廠裡，大概同時有兩到三種在跑。

目視檢驗的 ISO 標準是哪一個？

沒有單一標準。如果有人沒問你做什麼產品就報出一個標準，可以反問他指的是哪一條條文。ISO 17637 規範熔融焊接接頭的目視檢測，ISO 2859-1 規範計數值抽樣，ISO 9001 第 8.6 條要求放行前必須驗證，但不指定方法。電子組裝則通常以 IPC-A-610 為準。

自動化檢驗抓不到什麼？

超出它程式設定或訓練範圍的缺陷。檢驗時已經被蓋住的東西，而密封產品的內部組裝多半就是這樣。還有製程歷史：只判斷成品的系統，說不出是哪一個步驟、哪一把工具造成了這個狀況。

AI 會取代目視檢驗員嗎？

它改變的是這份工作的內容。持續性的檢查交給系統，人負責判斷、邊界缺陷，以及後續的流程調整。在前面那條 EMS 產線上，拿碼錶的工程師回去當工程師了。

接下來可以往哪裡看

你會讀到這裡，多半是想弄清楚自己在追的那個缺陷，該用哪一種檢驗。下面這幾頁，從排名停下來的地方接著往下談。

延伸閱讀

• 機器視覺 vs. AI 視覺檢測：製造業的兩種視覺智慧，你真正需要哪一種？：上面排第二和排第一的那兩種方法的完整比較，適合正在決定哪個工站該放哪一種的你。
• 做好品質管理：4 項系統比較與導入 AI 視覺的成功案例：把視角從濾網本身，拉到它前面那整套品質系統。
• FMEA 與 AI 視覺，加強製造業風險管理：如果你的根因報告總是停在「人為疏失」，失效模式分析也多半靠記憶而不是觀察，這篇值得一讀。

客戶案例

• AI 視覺幫助全球前五大 EMS 廠在東南亞提升產能：上面那 15 個工站的完整版本，看碼錶的那一個月是怎麼被取代的。
• AI 視覺落地東南亞製造業，推動全球遠端管理與黃金產線部署：寫給在台北看檳城產線的工程師，當攝影機看的是作業本身，越南、馬來西亞與泰國的跨廠遠端管理會是什麼樣子。

案例背後的模組

Digital Station 是 HOP 裡全時段記錄每個工站、並把影像對應到序號與工單的模組。如果上面第五條規則說的就是你的產線，在規畫試點之前，這一頁值得先看。

如果想拿這五條規則對照你們自己的不良紀錄，歡迎帶著紀錄來聊。

歡迎預約導覽，一起看看你產線上的每個工站同時被量測是什麼樣子。

預約導覽